Control local de robots móviles basado en

métodos estadísticos y algoritmos genéticos

 Leonardo Valdez Hernández

 Aldair Domínguez Zanabria
 Víctor Pascual Cayo

Grupo: IE-0101
INGENIERÍA ELECTROMECÁNICA
Introducción

 Existen dos tipos básicos de enfoques para controlar la navegación de un robot

móvil: técnicas globales y locales. En las técnicas globales, como son los
métodos geométricos, la programación dinámica o los métodos de campo de
potencial (ver en [Latombe, 1991] resumen y referencias complementarias) se
asume totalmente conocida la descripción geométrica del entorno en el que
se va a mover el robot. Se trata de métodos potentes y eficaces para generar
tanto, trayectorias a seguir como

secuencias de comandos a ejecutar. Son métodos usados para el control de
robots que trabajan en entornos sin ninguna variabilidad y que realizan tareas
repetitivas en las que se conocen en todo momento el valor de todas sus
variables de estado.
 Los métodos locales o reactivos, por el contrario, consideran que el robot va a
moverse en un entorno no conocido a priori y proporcionan unas conductas
estándar para reaccionar ante lecturas de los sensores del robot (evitar
obstáculo, seguir pared, entrar en puerta, alinearse con
Técnicas previas para el control local

Entre las propuestas de control local, cabe destacar el enfoque del

histograma de campo vectorial
El enfoque de esquemas motores, pese a ser el más genérico, es muy
complejo de llevar a la práctica por el gran número de parámetros que
deben ser ajustados en las ecuaciones de control del robot.
Un problema añadido de ambos métodos es que obtienen los comandos del
robot en dos fases separadas.
Por otra parte, los enfoques de Simmons y Fox han demostrado ser capaces
de controlar con éxito robots móviles que actúan en entornos de oficina con
gran cantidad de obstáculos y personas en movimiento (una universidad en
el primer caso, y un museo en el segundo).
Control local basado en
Reconocimiento estadístico de situaciones

 En la propuesta que presentamos en este trabajo formulamos el problema

del control local de un robot móvil como un problema de reconocimiento
de situaciones.
 Para obtener muestras de aprendizaje de un funcionamiento correcto del
esquema optimizamos una función que considera la trayectoria seguida
por el robot, tanto en el espacio cartesiano como en el espacio de
velocidades lineales y angulares, y que premia trayectorias consistentes
con el esquema.
 ejemplo, para un esquema seguir-pared consideramos que la distancia
cartesiana a la pared debe ser pequeña y uniforme, premiando aquellas
trayectorias con mayores velocidades lineales.
Generación de comportamientos

 Los algoritmos genéticos son métodos de búsqueda y optimización

inspirados en mecanismos de tipo biológico
 se han adoptado hasta la fecha realizan una búsqueda de trayectorias
considerándolas simplemente como secuencias de coordenadas
espaciales sin tener en cuenta la dinámica del control del robot.
 Esta sección describe las ecuaciones de movimiento fundamentales de un
robot definiendo la componente dinámica del control del mismo
Generación de trayectorias mediante
algoritmos genéticos

 Los algoritmos genéticos parten de una población inicial que se suele

generar de manera aleatoria y que representa un conjunto de posibles
soluciones
 En el problema de la generación de trayectorias óptimas, la elección del
uso de algoritmos genéticos se fundamenta en dos razones principales:
 en primer lugar, es una técnica adecuada para realizar búsquedas en
espacios de dimensión elevada, como en este caso
 Por otro lado, el método impone pocas restricciones de tipo matemático
en la forma de la función a optimizar, de tal manera que es aplicable a la
generación de trayectorias para cualquier tipo de comportamiento (evitar
obstáculos, seguir paredes, etc.).
 Operadores genéticos
 Selección: Cada individuo tiene una probabilidad de ser seleccionado
para reproducirse y pasar a la generación siguiente que será proporcional
a su adecuación.
 Cruce: este operador combina los comandos de dos trayectorias para
obtener una trayectoria mejor. Para ello se calcula de manera aleatoria un
punto de cruce para cada una de los cromosomas que representan a las
dos trayectorias y se intercambian las partes que quedan a la derecha de
los respectivos puntos de cruce.
 Como el punto de cruce será en general distinto para cada uno de los
“padres” este método da lugar a individuos de longitud variable.
 Mutación: la mutación consiste en variar aleatoriamente el valor de un
comando cv o cw con el objeto de modificar una trayectoria de la
población actual.
Aprendizaje y clasificación de situaciones

 Una vez se han generado un conjunto de trayectorias correctas para el

esquema que se está aprendiendo, se trata de caracterizar las situaciones
en las que el robot se va a encontrar cuando evolucione siguiendo ese
esquema.
 Modelamos el estado en el que puede encontrarse un robot móvil
evolucionando por un entorno mediante: un mapa de denso de
profundidad observado por el robot
 A partir de las trayectorias generadas por algoritmo genético se generan
los estados que ha encontrado el robot en su evolución
Análisis de Componentes Principales

 El análisis de componentes principales ha sido utilizado con éxito

recientemente en la comunidad de visión artificial para representar
imágenes de caras humanas y para reconocer imágenes de caras.
 . Este auto vector constituye la dimensión de un subespacio de muestras,
denominado el auto espacio, en el que las muestras se pueden
representar de forma compacta. Utilizaremos este enfoque aplicándolo al
conjunto de mapas de profundidad de cada una de las situaciones.
